Come funzionano i grandi modelli linguistici (LLM) e il loro impatto sul marketing

Che cos’è un LLM?

Un modello linguistico di grandi dimensioni (LLM) è un programma informatico addestrato a prevedere il prossimo frammento di testo a partire dai frammenti precedenti. Grazie a un corpus di addestramento estremamente vasto, la previsione diventa utile per redigere, riassumere, tradurre, programmare e rispondere a domande. L’esistenza di un unico modello statistico generale ha consentito di sostituire numerosi sistemi specializzati con una sola architettura versatile. ChatGPT, Gemini di Google, Claude di Anthropic e Llama di Meta sono esempi di LLM, così come le componenti che alimentano motori di ricerca, piattaforme pubblicitarie e feed social.

Che cosa significa “grande”?

Il termine “grande” si riferisce a due grandezze:

• Numero di parametri: valori numerici regolabili che memorizzano ciò che il modello ha appreso.
• Volume di testo di addestramento: quantità di dati su cui il modello è stato allenato.

Non esiste una soglia universalmente accettata; oggi un modello con pochi miliardi di parametri è considerato “piccolo”.

Come produce il testo un LLM

Il modello non elabora parole, ma token: frammenti di caratteri prelevati da un vocabolario fisso di 50.000‑200.000 voci. In inglese, un token corrisponde in media a quattro caratteri, quindi 100 token equivalgono a circa 75 parole.

Ogni token viene trasformato in una embedding, una lunga lista di numeri che lo colloca in uno spazio matematico dove i significati correlati sono vicini tra loro. Questi numeri attraversano una pila di strati identici basati sull’architettura transformer. L’operazione chiave è attention: ad ogni strato, ogni token calcola quanto peso attribuire a tutti i token precedenti per aggiornare la propria rappresentazione, consentendo al modello di collegare riferimenti come “it” a un sostantivo tre frasi più indietro.

Lo strato finale restituisce una probabilità per ciascun token nel vocabolario. Una fase di sampling sceglie il token, regolata da parametri come la temperature: valori prossimi a zero favoriscono il token più probabile, mentre temperature più alte permettono scelte meno probabili.

Il token scelto viene aggiunto all’input e il ciclo si ripete, token per token, fino a quando il modello produce un token di stop o raggiunge il limite di lunghezza. Questo processo è chiamato inference ed è la fase che genera la maggior parte dei costi operativi.

Finestra di contesto e prompting

Tutto ciò che il modello può considerare contemporaneamente deve stare nella sua finestra di contesto, misurata in token. GPT‑3 (2020) accettava 2.048 token; Gemini 1.5 Pro (15 febbraio 2024) ha annunciato una finestra di un milione di token. L’input fornito dall’utente o da un programma è il prompt. Inserendo all’interno del prompt pochi esempi operativi, si può insegnare al modello un compito senza ri‑addestrarlo, tecnica nota come few‑shot prompting.

Fasi di addestramento di un LLM

Pre‑training

Il modello legge trilioni di token tratti da pagine web, libri, codice e altri testi, aggiustando i parametri miliardi di volte per ridurre l’errore nella previsione del token successivo. Questa fase richiede la maggior parte della potenza di calcolo e produce un “modello di base” capace di continuare il testo ma non ancora affidabile nell’esecuzione di istruzioni.

Fine‑tuning

Gli sviluppatori addestrano il modello su esempi curati di domande e risposte corrette, trasformandolo in un assistente più preciso.

Preference training (RLHF)

Rater umani classificano risposte alternative; il modello viene poi affinato verso le scelte preferite mediante reinforcement learning from human feedback (RLHF). Il paper InstructGPT di marzo 2022 mostrò che i valutatori preferivano gli output di un modello da 1,3 miliardi di parametri rispetto a quelli di GPT‑3 da 175 miliardi.

Modelli di ragionamento (da settembre 2024)

Una nuova fase prevede l’addestramento di “modelli di ragionamento” che generano catene interne di passaggi intermedi prima di fornire la risposta finale; i token nascosti generati in questa fase sono fatturati come output.

Il risultato di tutte queste fasi è un file statico di parametri. Un LLM non apprende da ogni conversazione e la sua conoscenza si ferma alla data di cut‑off dell’addestramento. Per superare questo limite si ricorre al retrieval‑augmented generation, ossia al recupero di documenti al momento della domanda e alla loro grounding o ancoraggio.

Origini ed evoluzione storica

I modelli linguistici sono più antichi dei computer capaci di eseguirli. Claude Shannon, nel 1948, usò approssimazioni statistiche dell’inglese basate su sequenze di lettere e parole nella sua teoria dell’informazione. Per decenni, i modelli n‑gram (che contano la frequenza di brevi sequenze di parole) alimentarono il riconoscimento vocale e la traduzione automatica. Il termine “large language model” comparve già nel titolo di un paper di Google del 2007, “Large Language Models in Machine Translation”, descrivendo modelli n‑gram addestrati su fino a due trilioni di token.

L’uso moderno nasce nel giugno 2017, quando otto ricercatori di Google pubblicarono “Attention Is All You Need”, introducendo il transformer. OpenAI lanciò GPT‑1 a giugno 2018 (117 milioni di parametri) e Google rilasciò BERT nell’ottobre 2018, introdotto in Search l’anno successivo. GPT‑2 (1,5 miliardi di parametri) fu annunciato il 14 febbraio 2019, ma il modello completo fu trattenuto per timori di abuso. GPT‑3, presentato il 28 maggio 2020, contava 175 miliardi di parametri e dimostrò che un unico modello poteva svolgere molteplici compiti da pochi esempi.

Due risultati di ricerca hanno poi influenzato la costruzione dei modelli:

• Il paper “Scaling Laws” di OpenAI (gennaio 2020) mostrò che le performance migliorano in modo prevedibile con più parametri, dati e calcolo.
• Il paper “Chinchilla” di DeepMind (marzo 2022) rilevò che molti modelli erano sotto‑addestrati e dimostrò che un modello da 70 miliardi di parametri addestrato su 1,4 trilioni di token superava concorrenti molto più grandi, suggerendo circa 20 token per parametro.

ChatGPT è stato lanciato il 30 novembre 2022, mettendo un LLM fine‑tuned a disposizione del pubblico. GPT‑4 è arrivato il 14 marzo 2023 senza divulgare il numero di parametri. Meta ha rilasciato Llama (febbraio 2023) e Llama 2 (luglio 2023), aprendo una pista di modelli “open‑weight” scaricabili. I sistemi più avanzati al momento sono definiti frontier models, una etichetta che comporta obblighi legali nell’UE e in alcuni stati USA.

Perché è importante per il marketing

Gli LLM sono passati da una semplice categoria di prodotto a un’infrastruttura centrale per pubblicità e ricerca. Una testimonianza dell’ingegnere Google Pandu Nayak, resa pubblica a maggio 2025, ha rivelato che Google stava “ripensando il suo stack di ricerca da zero” con gli LLM al centro.

LinkedIn ha ricostruito il recupero e il ranking dei feed attorno a modelli basati su LLM a marzo 2026, per una piattaforma con 1,3 miliardi di utenti.

Gli stessi modelli stanno diventando inventory pubblicitario: gli annunci ChatGPT sono iniziati come pilota il 9 febbraio 2026, e l’Ads Manager è stato aperto a tutte le imprese statunitensi il 5 maggio 2026.

All’interno di agenzie e piattaforme, gli LLM gestiscono pianificazione, configurazione, reportistica e analisi. Un rapporto Digiday di gennaio 2026 ha evidenziato che il settore è “restio a consegnare le chiavi” degli LLM per le decisioni di bidding e budget, a causa della divergenza tra output probabilistici e logiche di asta deterministiche.

Limiti, critiche e controversie

Fabbricazione (hallucination)

La debolezza più persistente è la tendenza a “inventare” informazioni plausibili ma false, fenomeno noto come hallucination. Gracenote ha riscontrato che un modello non ancorato ha fabbricato metadata per il 19,5 % di 2.600 titoli in streaming. Gli studiosi non sono concordi sul fatto che questo problema possa essere eliminato tramite ingegneria o se sia intrinseco al predire il token successivo.

Dati di addestramento

Le questioni legali sui dati d’addestramento sono emerse nei tribunali. Nel giugno 2025, il giudice William Alsup ha stabilito che l’uso di libri per addestrare Claude costituisce fair use, ma il download di copie pirata no, portando Anthropic a concordare un accordo di 1,5 miliardi di dollari per circa 500 000 opere. Due giorni dopo, il giudice Vince Chhabria ha dato ragione a Meta contro 13 autori, avvertendo che prove più evidenti di danno di mercato potrebbero cambiare la decisione.

Regolatori sulla privacy sollevano analoghe preoccupazioni: il task force ChatGPT del European Data Protection Board ha segnalato questioni di web scraping, accuratezza e diritti dei soggetti nel maggio 2024.

Rimozione dei dati

Una volta assorbiti, i dati sono difficili da eliminare. Tom Chavez di super{set} ha sostenuto nell’agosto 2026 che i dati aziendali non possono essere estratti da un modello, creando tensioni con le normative sul diritto all’oblio.

Prospettive future

Il percorso dei LLM sembra diretto verso una maggiore integrazione con sistemi di ricerca, pubblicità e analisi in tempo reale. L’estensione della finestra di contesto (come il milione di token di Gemini 1.5 Pro) consentirà interazioni più complesse e basate su documenti lunghi. Allo stesso tempo, la pressione normativa sull’uso responsabile, la trasparenza dei dati di addestramento e le tecniche di grounding diventeranno requisiti imprescindibili per le imprese che vogliono sfruttare questi potenti strumenti.